Obsah:
Video: Инструкция как получить лидов по 10 рублей. Таргет. Инстаграм (Listopad 2024)
„Andrew Ingram“ je digitální pomocník, který prohledává vaše e-maily, dává nápady na plánování schůzek a schůzek, o nichž diskutujete se svými spolupracovníky, nastavuje úkoly a zasílá pozvánky příslušným stranám s velmi malou pomocí. Využívá pokročilé schopnosti umělé inteligence X.ai, nového
I když myšlenka, že vaše e-maily jsou skenovány skutečnými lidmi, může znít strašidelně, stalo se běžnou praxí mezi mnoha společnostmi, které svým zákazníkům poskytují služby AI. Nedávný článek v The Wall Street Journal odhalil několik firem, které svým zaměstnancům umožnily přístup a četly e-maily zákazníků, aby vytvářely nové funkce a školily své umělé inteligence na případech, které dříve neviděly.
Technika nazývaná „Wizard of Oz“ nebo pseudo-AI, praxe tichého používání lidí k vyrovnání nedostatků algoritmů AI vrhá světlo na některé z nejhlubších výzev, kterým průmysl AI čelí.
AI není připraven na rozsáhlé problémy
Za většinou inovací AI v posledních letech stojí algoritmy hlubokého učení a neuronové sítě. Hluboké neuronové sítě jsou velmi efektivní při třídění informací. V mnoha případech, jako je rozpoznávání hlasu a obličeje nebo identifikace rakoviny při skenech MRI a CT, mohou překonat lidi.
To však neznamená, že hluboké učení a neuronové sítě mohou splnit jakýkoli úkol, který mohou lidé dělat.
„Hluboké učení nám umožňuje vyřešit problém s vnímáním. To je velký problém, protože vnímání omezilo umělou inteligenci od jejího vzniku před více než 60 lety, “ říká Jonathan Mugan, spoluzakladatel a generální ředitel DeepGrammar. "Řešení problému vnímání konečně učinilo umělou inteligenci užitečnou pro věci jako rozpoznávání hlasu a robotika."
Mugan však poznamenává, že vnímání není jediný problém. Hluboké učení bojuje, pokud jde o zdravý rozum a porozumění.
„Hluboké učení nám v tomto problému nepomůže, “ říká. „Dosáhli jsme určitého pokroku v NLP (zpracování přirozeného jazyka) tím, že jsme s jazykem zacházeli jako s problémem vnímání, tj. Převáděním slov a vět do vektorů. To nám umožnilo lépe reprezentovat text pro klasifikaci a strojový překlad (když je mnoho data), ale nepomůže to se zdravým rozumem. Proto chatboti do značné míry selhali. “
Jedním z hlavních problémů, kterým čelí všechny aplikace pro hluboké učení, je sběr správných dat pro trénování jejich modelů umělé inteligence. Úsilí a data, která jde do tréninku neuronové sítě k provedení úkolu, závisí na tom, jak široký problémový prostor je a jaká úroveň přesnosti je vyžadována.
Například aplikace pro klasifikaci obrázků, jako je aplikace Not Hotdog ze Silicon Valley společnosti HBO, provádí velmi úzký a specifický úkol: Říká vám, zda fotoaparát vašeho smartphonu zobrazuje párek v rohlíku nebo ne. Díky dostatečnému počtu hotdogů dokáže AI aplikace provádět velmi důležitou funkci s vysokou přesností. A i když se jednou za čas udělá chyba, nikomu to neublíží.
Ale jiné aplikace AI, jako je ta, kterou X.ai buduje, se zabývají mnohem širšími problémy, což znamená, že vyžadují mnoho kvalitních příkladů. Jejich tolerance k chybám je také mnohem nižší. Existuje výrazný rozdíl mezi omylem okurky pro párek v rohlíku a naplánováním důležitého obchodního jednání ve špatnou dobu.
Kvalitní data bohužel nejsou komoditou, kterou mají všechny společnosti.
„Obecně platí, že čím obecnější je problém, se kterým se umělá inteligence pokouší vyřešit, tím více případů na hraně nebo neobvyklé chování, ke kterému může dojít. To nevyhnutelně znamená, že k pokrytí všeho potřebujete mnohem více příkladů školení, “ říká Dr. Steve Marsh, CTO ve společnosti Geospock. "Startupové nemají obecně přístup k obrovskému množství tréninkových dat, takže modely, které mohou realizovat, budou velmi úzké a křehké, které obvykle nesplňují jejich očekávání."
Takové množství informací je v držení pouze velkých společností, jako jsou Facebook a Google, které již roky shromažďují údaje miliard uživatelů. Menší společnosti musí platit velké částky, aby získaly nebo vytvořily údaje o školení, a to zpozdilo spuštění jejich aplikace. Alternativou je i přesto zahájit výcvik AI za běhu, používat lidské trenéry a živá zákaznická data a doufat, že se nakonec AI stane méně závislou na lidech.
Například společnost Edison Software, společnost se sídlem v Kalifornii, která vyvíjí aplikace pro správu e-mailů, nechala své zaměstnance číst e-maily svých klientů, aby vyvinuli funkci „inteligentní odpovědi“, protože neměli dostatek dat k zaškolení algoritmu, společnost CEO řekl The Wall Street Journal. Vytváření inteligentních odpovědí je široký a náročný úkol. Dokonce i Google, který má přístup k e-mailům miliard uživatelů, poskytuje inteligentní odpovědi pro velmi úzké případy.
Použití lidí k trénování umělé inteligence s živými uživatelskými daty se však neomezuje pouze na menší společnosti.
V roce 2015 Facebook spustil M, AI chatbot, který dokázal porozumět různým nuancím rozhovorů a reagovat na ně a plnit mnoho úkolů. Facebook zpřístupnil M k dispozici omezenému počtu uživatelů v Kalifornii a zřídil personál lidských operátorů, kteří by monitorovali výkon AI a zasáhli, aby jej napravili, když nerozuměli žádosti uživatele. Původním plánem bylo, aby lidské operátory pomohly učit asistenta reagovat na okrajové případy, které dříve neviděli. Postupem času by M mohl fungovat bez pomoci lidí.
Nedostupný cíl?
Není jasné, jak dlouho bude trvat Edison Software, X.ai a další společnosti, které zavedly systémy „člověk v smyčce“, aby byly jejich AI plně automatizovány. Existují také pochybnosti, zda současné trendy umělé inteligence někdy dosáhnou bodu zapojení do širších domén.
V roce 2018 Facebook ukončil provoz M, aniž by jej každý oficiálně nasadil. Společnost nesdílila podrobnosti, ale je zřejmé, že vytvoření chatbotu, který dokáže zapojit se do širokých rozhovorů, je velmi obtížné. A zpřístupnění M všem dvěma miliardám uživatelů Facebooku, aniž by to bylo nejprve schopné plně reagovat na všechny druhy konverzací, by vyžadovalo, aby gigant sociálních médií najal obrovský personál lidí, aby zaplnil mezery M.
DeepGrammarův Mugan věří, že nakonec dokážeme vytvořit umělou inteligenci, která dokáže vyřešit zdravý rozum, což ostatní klasifikují jako všeobecnou umělou inteligenci. Ale brzy se to nestane. „V současné době neexistují na obzoru žádné metody, které by počítači umožnily pochopit, co malé dítě ví, “ říká Mugan. "Bez tohoto základního porozumění nebudou počítače schopny vykonávat mnoho úkolů dobře na 100 procent času."
Abychom to uvedli do perspektivy, odborníci na OpenAI nedávno vyvinuli robotickou ruku Dactyl, která dokáže manipulovat s objekty. To je úkol, který se každé lidské dítě učí provádět podvědomě v raném věku. Vývoj stejných dovedností však vyžadoval Dactyl 6 144 procesorů a 8 GPU a asi sto let zkušeností. I když je to fascinující úspěch, zdůrazňuje to také výrazné rozdíly mezi úzkou umělou inteligencí a způsobem fungování lidského mozku.
"Jsme velmi daleko od toho, abychom měli umělou všeobecnou inteligenci, a docela pravděpodobné, že AGI bude kombinací a koordinací mnoha různých typů úzkých nebo aplikačně specifických AI, " říká Marsh. „Myslím si, že v tuto chvíli existuje tendence předtypovat schopnosti umělé inteligence, ale také vidím, že je nesmírné, že přijmete první první kroky a implementujete tradiční modely strojového učení.“
Blíží se další zimní AI?
V roce 1984 americká asociace umělé inteligence (později přejmenovaná na Asociaci pro rozvoj umělé inteligence) varovala obchodní komunitu, že trik a nadšení kolem AI by nakonec vedlo ke zklamání. Brzy poté se investice a zájem o umělou inteligenci zhroutily, což vedlo k éře lépe známé jako „zimní umělá inteligence“.
Od počátku roku 2010 se zájem a investice v této oblasti opět zvyšují. Někteří odborníci se obávají, že pokud aplikace AI nesplní očekávání a nesplní očekávání, dojde k další zimě AI. Odborníci, s nimiž jsme hovořili, však věřili, že umělá inteligence již byla v našich životech příliš integrovaná, než aby opakovala své kroky.
"Nemyslím si, že jsme v nebezpečí AI zimy jako ty dříve, protože AI nyní přináší skutečnou hodnotu, nejen hypotetickou hodnotu, " říká Mugan. „Pokud však budeme i nadále informovat širokou veřejnost o tom, že počítače jsou chytré jako lidé, riskujeme vůli. Nebudeme se vracet k tomu, abychom nepoužívali hluboké učení pro vnímání, ale termín„ AI “by mohl být obtěžován, a my bude to muset nazývat něčím jiným. “
Jistě je, že před námi stojí přinejmenším éra rozčarování. Chystáme se zjistit, do jaké míry můžeme věřit současným směsím AI v různých oborech.
„Očekávám, že uvidím, že některé společnosti jsou příjemně překvapeny tím, jak rychle mohou poskytnout AI pro dříve manuální a drahé služby, a že jiné společnosti zjistí, že to trvá déle, než očekávali, že shromáždí dostatek dat, aby se staly. finančně životaschopné, “říká James Bergstra, spoluzakladatel a vedoucí výzkumu na Kindred.ai. "Pokud je jich příliš mnoho a málo z nich, mohlo by to vyvolat další zimu AI mezi investory."
- Umělá inteligence má předpojatost a je to naše chyba Umělá inteligence má předpojatost a je to naše chyba
- Proč je výuka umělé inteligence pro hraní her důležitá Proč je výuka umělé inteligence pro hraní her důležitá
- AI nabízí obrovský potenciál, ale to se nestane přes noc AI nabízí obrovský potenciál, ale to se nestane přes noc
Geospock's Marsh předpovídá, že zatímco financování nebude ustupovat, dojde k určitým úpravám jeho dynamiky. Protože si investoři uvědomují, že skutečná odbornost je vzácná a pouze ti, kteří mají přístup k datům pro trénink modelů, se budou v tomto odvětví lišit, na trhu dojde k velké konsolidaci a financování bude mít mnohem méně začínajících podniků.
„Pro mnoho startupů AI bez specializované tržní aplikace nebo obrovského množství dat: přichází zima, “ uzavírá Marsh.
